交易中的机器学习：理论、模型、实践和算法交易 - 页 2553

[Forester]

Dmytryi Nazarchuk#:
Logistic regression

森林/灌木回归更准确。

[mytarmailS]

elibrarius#:

不，它是一个记忆历史的数据库...

这是个反问句:))

[Forester]

mytarmailS#:

这是个反问句:)))

你在这个问题上，我知道））。
这是为新加入MO的人准备的。如果他们来到这里。

[mytarmailS]

https://blog.ephorie.de/why-r-for-data-science-and-not-python

[Maxim Dmitrievsky]

Vladimir Perervenko#:

处理噪声样本有三个选项：删除、重新分区（纠正标记）和将噪声样本分离出来，成为一个单独的类。根据我的经验，大约25%的样本是 "噪音"。质量改进约为5%，它取决于模型和数据准备。我偶尔会应用它。

使用预测器时还有一个问题--它们的漂移。而这个问题在测试和运行中都必须被识别和考虑到。所附的文章翻译（在网上找其他的），还有一个漂流瓶 的包装。它不是唯一的。但问题是，在选择预测器时，你不仅需要考虑它们的重要性，还需要考虑它们的漂移。对于高漂移的人来说，把它们扔掉或改造它们，对于低漂移的人来说，在测试和工作时把它们考虑进去（正确）。

祝好运

你说的 "偶尔适用 "是什么意思？

要么是有某种已经被证明的流水线，要么就是空穴来风的猜测。

从理论上讲，将噪声作为一个单独的类并不能改善模型（它停留在模型中，并没有去任何地方）。

关于漂移--这是基础知识，偏差-变异的权衡。

[mytarmailS]

Maxim Dmitrievsky#:

你是否尝试过预测未来报价的分布？

[Maxim Dmitrievsky]

mytarmailS#:
你有没有试过预测未来的报价分布？

我做过类似的事情，但我不明白这到底是怎么回事

请记住，我对未来固定长度的块进行了聚类，并预测了聚类的数量。每个集群都有不同的分布，每个集群都有不同的策略。在Traine身上成功了，在新的数据上，如果你正面做，就会失败。

[mytarmailS]

Maxim Dmitrievsky#:

做过类似的事情，但不明白是什么原因。

记住，我对未来的固定长度的块状物进行了聚类，并预测了聚类的数量。每个集群都有自己的分布，每个集群都有自己的战略。这在特雷恩身上是有效的，但在新的数据上，如果你直接这样做，就会失败。

我记得...

我有一个稍微不同的想法...

如果你能定性地预测未来的报价分布，比如说，未来的50根蜡烛，那么从这个分布中你可以抽取几千个序列，然后训练模型，这样一来，模型在理论上对新的50根蜡烛会有足够的作用...

[Farkhat Guzairov]

我时常查看这个主题，同样的面孔，同样的模型讨论，也许有人有东西可以展示？

[[删除]]

Farkhat Guzairov#:
我定期访问这个话题，面孔是一样的，讨论的模型也是一样的，也许有人有什么东西可以展示？

这不是一个需要解决的问题